XiaoMi-AI文件搜索系统
World File Search System特征曲线
NAPLAN 2023 技术报告
图 1：针对数字、阅读、语法和标点符号的多阶段定制测试设计 ......................................................................................................19 图 2：语言惯例的在线测试设计 ......................................................................................................20 图 3. 3 年级数字能力各途径分配的学生百分比 .............................................................................37 图 4. 3 年级数字能力各途径的能力分布 .............................................................................................37 图 5：数字能力的尾随缺失百分比 .............................................................................................42 图 6：阅读的尾随缺失百分比 .............................................................................................42 图 7：拼写的尾随缺失百分比 .............................................................................................43 图 8：语法和标点符号的尾随缺失百分比 .............................................................................43 图 9：NAPLAN 2023：参与类别 .............................................................................................44 图 10：3 年级数字能力测试的 Wright 地图（示例） .............................................................................50 图 11：写作测试的 Wright 地图（多分示例）................................................................................51 图 12：写作测试的 Wright 图（多分示例）........................................................................52 图 13：拟合度 = 1.00 的项目的项目特征曲线.........................................................................55 图 14：拟合度 = 1.36 的项目的项目特征曲线.........................................................................55 图 15：显示性别 DIF† 的项目特征曲线示例.........................................................................57 图 16：显示语言背景 DIF† 的项目特征曲线示例.........................................................................58 图 17：显示土著身份 DIF† 的项目特征曲线示例.........................................................................59 图 18：显示管辖区 DIF 的项目特征曲线示例.........................................................................60 图 19：具有潜在回归的多维项目反应模型的条件变量.............................................................................................63 图 20：3 年级和 5 年级在线测试之间的数字散点图、垂直链接项目.....................................................................................................................65图 21：7 年级和 5 年级在线测试之间的数字能力、垂直链接项目的散点图.........................................................................................................................................66 图 22：9 年级和 7 年级在线测试之间的数字能力、垂直链接项目的散点图....................................................................................................................................................................66 图 23：3 年级和 5 年级在线测试阅读、垂直链接项目的散点图 ................................66 图 24：7 年级和 5 年级在线测试阅读、垂直链接项目的散点图 ................................67 图 25：9 年级和 7 年级在线测试阅读、垂直链接项目的散点图 ................................67 图 26：3 年级和 5 年级在线测试拼写、垂直链接项目的散点图 ................................67 图 27：7 年级和 5 年级在线测试拼写、垂直链接项目的散点图 ................................68 图 28：9 年级和 7 年级在线测试拼写、垂直链接项目的散点图 ................................68 图 29：3 年级和 5 年级在线测试语法和标点符号、垂直链接项目的散点图 ................................................................................................................................68图 31：语法和标点符号散点图，9 年级和 7 年级在线测试之间的垂直链接项目 ......................................................................................................................69 图 32：熟练程度截点的对数回归（计算能力） ......................................................................................76 图 33：熟练程度截点的对数回归（阅读） .............................................................................................76 图 34：熟练程度截点的对数回归（写作） .............................................................................................77 图 35：熟练程度截点的对数回归（拼写） .............................................................................................77 图 36：熟练程度截点的对数回归（语法和标点符号） .............................................................................7869 图 31：9 年级和 7 年级在线测试之间的语法和标点符号、垂直链接项目的散点图 ................................................................................................................69 图 32：熟练程度分界点的对数回归（计算能力） .............................................................................................76 图 33：熟练程度分界点的对数回归（阅读） .............................................................................................76 图 34：熟练程度分界点的对数回归（写作） .............................................................................................77 图 35：熟练程度分界点的对数回归（拼写） .............................................................................................77 图 36：熟练程度分界点的对数回归（语法和标点符号） .............................................................................................7869 图 31：9 年级和 7 年级在线测试之间的语法和标点符号、垂直链接项目的散点图 ................................................................................................................69 图 32：熟练程度分界点的对数回归（计算能力） .............................................................................................76 图 33：熟练程度分界点的对数回归（阅读） .............................................................................................76 图 34：熟练程度分界点的对数回归（写作） .............................................................................................77 图 35：熟练程度分界点的对数回归（拼写） .............................................................................................77 图 36：熟练程度分界点的对数回归（语法和标点符号） .............................................................................................78
建立和验证IV期非小细胞肺癌的生存预测模型：一项现实世界研究
方法：从Shanxi Cancer Hospital收集的晚期非小细胞肺癌的462例患者被随机分配（以7：3的比例）与训练队列和内部验证队列分配。筛选影响患者3年生存的独立因素，并通过使用单因素，然后进行多因素COX回归分析创建预测模型。 使用一致性指数（C-指数），校准曲线，接收器操作特征曲线（ROC）和决策曲线分析（DCA）评估模型的性能。 单独接受化学疗法的收集的患者，以及接受化学疗法与免疫疗法结合的患者使用两组之间的倾向得分匹配，并在筛选的变量中进行了亚组分析。筛选影响患者3年生存的独立因素，并通过使用单因素，然后进行多因素COX回归分析创建预测模型。使用一致性指数（C-指数），校准曲线，接收器操作特征曲线（ROC）和决策曲线分析（DCA）评估模型的性能。单独接受化学疗法的收集的患者，以及接受化学疗法与免疫疗法结合的患者使用两组之间的倾向得分匹配，并在筛选的变量中进行了亚组分析。
指南 DKD-R 5-6 温度计特性的测定
本指南的目的不是开发或规定比当前常用的新的或更好的近似方法或特性曲线类型。相反，应该针对给定的边界条件（例如温度范围和所需的测量不确定度）提出最佳特征曲线类型，这些是当前最先进的技术。这些建议还与现有软件和测量设备兼容，并且可以轻松输入或集成。可能还有其他类型的特性曲线也比此处描述的特性曲线更好甚至更适合。在分布低或可管理性差的情况下，只有在合理的情况下才应使用特征曲线的其他数学描述。
2 型糖尿病和肥胖症中 MASLD 的诊断和非侵入性评估
缩写：AST，天冬氨酸转氨酶；AUROC，受试者工作特征曲线下面积；BMI，身体质量指数；CK-18，细胞角蛋白-18；FAST，Fibroscan-AST；FIB-4，纤维化-4指数；GBM，梯度增强机；HOMA，稳态模型评估；MASH，代谢功能障碍相关脂肪性肝炎；MAST，MRI-AST；MEFIB，MRE 联合 FIB-4；MRE，磁共振弹性成像；MRI，磁共振成像；NASH，非酒精性脂肪性肝炎；VCTE，振动控制瞬时弹性成像。
ProFound AI® 风险
1. 文件中的 iCAD 数据。ProFound AI 风险 DBT 1 年 AUC 为 0.80（95% CI：0.76, 0.83）；ProFound AI 风险 2D 乳房 X 线摄影 2 年 AUC 为 0.73（95% CI：0.71, 0.74）。2.Eriksson M、Czene K、Strand F 等人。识别需要补充筛查的乳腺癌高风险女性。放射学。2020, 297(2): 327-333。Epub 9 月 8 日。3.受试者工作特征曲线下面积。4.仅在美国提供。
人工智能预测重症监护病房死亡率并与逻辑回归系统进行比较
目的：探索基于梯度提升决策树的人工智能方法，用于预测重症监护病房的全因死亡率，并将其性能与文献中最近的逻辑回归系统以及在同一平台上构建的逻辑回归模型进行比较。方法：使用重症监护医学信息集市数据库训练和测试梯度提升决策树模型和逻辑回归模型。在重症监护病房 5 小时内收集的成年患者 1 小时分辨率生理测量值包括八个常规临床参数。该研究探讨了模型如何学习对患者进行分类，以预测 12 小时内重症监护病房的死亡率或存活率。使用准确度统计数据和接收者操作特征曲线下面积来评估性能。结果：梯度提升树的接收者操作特征曲线下面积为 0.89，而逻辑回归的曲线下面积为 0.806。梯度提升树的准确度为 0.814，而逻辑回归的准确度为 0.782。梯度提升树的诊断比值为 17.823，而逻辑回归的诊断比值为 9.254。梯度提升树的 Cohen's kappa、F 测量值、Matthews 相关系数和显著性更高。结论：梯度提升树的判别能力非常出色。在重症监护病房死亡率预测方面，梯度提升树的表现优于逻辑回归。在所研究的不平衡数据集中，梯度提升树的高诊断比值和显著性值非常重要。
危重病人的诊断和预后脑电图分析：一项深度学习研究
脑电图 (EEG) 的视觉解释非常耗时、可能缺乏客观性并且仅限于人类可检测到的特征。基于计算机的方法，尤其是深度学习，可以克服这些限制。然而，大多数深度学习研究都集中在特定问题或单一病理上。在这里，我们探索了深度学习在基于 EEG 的诊断和预后评估中对各种病因的急性意识障碍 (ACI) 患者的潜力。我们回顾性分析了来自一项随机对照试验 (CERTA，NCT03129438) 的 358 名成年人的 EEG。卷积神经网络用于预测临床结果（基于生存率或最佳大脑性能类别）并确定病因（四种诊断类别）。最大概率输出作为网络对其预测的信心的标志（“确定性因子”）；我们还系统地将预测与原始 EEG 数据进行了比较，并使用可视化算法 (Grad-CAM) 来突出显示判别模式。当考虑所有患者时，预测生存率的受试者工作特征曲线下面积 (AUC) 为 0.721，基于最佳 CPC 预测结果的受试者工作特征曲线下面积为 0.703；对于确定性因素 ≥ 60% 的患者，AUC 分别增加至 0.776 和 0.755；对于确定性因素 ≥ 75% 的患者，AUC 分别增加至 0.852 和 0.879。预测病因的准确率为 54.5%；对于确定性因素为 50%、60% 和 75% 的患者，准确率分别增加至 67.7%、70.3% 和 84.1%。视觉分析表明，该网络学习了人类专家通常识别的 EEG 模式，并提出了新的标准。这项工作首次展示了基于深度学习的 EEG 分析在患有各种病因的 ACI 的危重患者中的潜力。确定性因素和输入数据与预测的事后相关性有助于更好地表征该方法并为未来在临床常规中的实施铺平道路。
数据表AMS 5812系列
1）模拟输出信号（仅限压力测量）与电源电压的比率为比例。2）完整的跨度输出（FSO）是指定的最大压力下输出信号与指定最小压力下的输出信号之间的代数差（请参见表1和表2）。3）数字输出压力信号与电源电压的比率不计。4）数字输出温度信号与电源电压的比率不计。温度值是在传感器的压电传感元件处测量的，是传感器温度（包括自加热）。5）总准确度定义为在％FSO中的理想特征曲线（RT）中的理想特征曲线的最大偏差，包括调整误差（偏移和跨度），非线性，压力滞后和重复性。非线性是整个压力范围内最佳拟合直线（BFSL）的测量偏差。压力滞后是当该压力循环到最小或最大额定压力时，在指定范围内的任何压力下输出值的最大偏差。可重复性是在10个压力循环后指定范围内的任何压力下输出值的最大偏差。6）TEB（总误差频段或整体误差）定义为在整个温度范围内（-25…85°C）的理想特征曲线与理想特征曲线的最大偏差。7）用于4-20 MA Current -Loop应用程序，可提供3.5 mA电流消耗的自定义版本。8）压力端口1的介质兼容性（有关端口1的描述，请参见图5和图6）：干净，干燥的气体，非腐蚀性至硅，RTV硅胶橡胶，金，镀镍钢（碱性或酸性液体）可能会破坏传感器）。9）压力端口2的介质兼容性（有关端口2的描述，请参见图5和图6）：流体和气体非腐蚀性易腐烂，PYREX，RTV硅胶橡胶，镀镍钢。
简化超声心动图标准的实用性
方法：基于学校的横断面研究是在Kondoa区的5至20岁之间的小学和中学学者中进行的。符合条件的小学和中学学者根据非专家人员的简化超声心动图标准，然后是专家人员的2012年世界心脏联合会标准。连续变量作为标准偏差或IQR中位数的均值表示。分类变量表示为频率和百分比。将简化标准的超声心动图发现与2012年世界心脏联合会的发现进行了比较。使用Stata中的交叉表，确定简化标准的效用。通过接收器操作特征曲线（AUC）在95％CI的情况下通过面积进行了评估并通过面积进行比较。